Pandas中可通过copy=False让多个DataFrame共享同一数组的某些列，而新增列则独立存储，从而构造出“部分视图、部分副本”的混合DataFrame。
python中可通过`copy=false`让多个dataframe共享同一数组的某些列，而新增列则独立存储，从而构造出“部分视图、部分副本”的混合dataframe。
在Pandas中，DataFrame本身不直接支持“部分列是视图、部分列是副本”的显式声明，但通过底层NumPy数组的内存共享机制与DataFrame构造逻辑，可以自然形成这种混合状态：当多个DataFrame基于同一底层数组（如np.ndarray）构建且指定copy=False时，它们的原始列会共享内存；而后续通过赋值新增的列（如df["new_col"] = value）则默认以独立副本形式存在，不受原始数组变更影响——除非该列本身也由视图派生。
以下是一个典型示例：
import pandas as pd
import numpy as np
# 创建共享底层数组
arr = np.array([[1, 2, 3],
[4, 5, 6]], dtype=float)
# df1 和 df2 均基于 arr 构建，且 copy=False → 列 a1/b1/c1 与 a2/b2/c2 共享 arr 内存
df1 = pd.DataFrame(arr, columns=["a1", "b1", "c1"], copy=False)
df2 = pd.DataFrame(arr, columns=["a2", "b2", "c2"], copy=False)
# 向 df2 添加新列 d —— 此列独立于 arr，是深拷贝（标量广播生成新数组）
df2["d"] = 999
print("初始状态：")
print("df1:\n", df1)
print("df2:\n", df2)
输出：
初始状态：
df1:
a1 b1 c1
0 1.0 2.0 3.0
1 4.0 5.0 6.0
df2:
a2 b2 c2 d
0 1.0 2.0 3.0 999
1 4.0 5.0 6.0 999
此时，df1与df2的前三列（a1/b1/c1和a2/b2/c2）均指向arr的同一内存块；而df2["d"]是独立分配的新数组，修改它不会影响df1。
进一步验证视图行为：
# 修改 df1 的整行（触发对 arr 的写入）
df1.loc[0, :] = -1
print("\n修改 df1 第0行后：")
print("df1:\n", df1)
print("df2:\n", df2)
输出：
修改 df1 第0行后：
df1:
a1 b1 c1
0 -1.0 -1.0 -1.0
1 4.0 5.0 6.0
df2:
a2 b2 c2 d
0 -1.0 -1.0 -1.0 999
1 4.0 5.0 6.0 999
可见，df2的a2/b2/c2同步更新，证明其为arr的视图；而d列保持不变，证实其为独立副本。
⚠️ 注意事项：
- copy=False仅在构造时生效，且要求输入数据支持零拷贝（如np.ndarray）；若传入列表、字典等，Pandas仍可能强制复制。
- 视图行为依赖底层NumPy数组的可写性（arr.flags.writeable），若数组被设为只读，修改将抛出ValueError。
- 新增列（如df["col"] = ...）默认不共享内存，但若显式使用pd.Series(arr[:, 0], copy=False)等构造，则可能引入新视图——需谨慎控制。
- 此类混合结构易引发隐式副作用，生产环境建议显式标注或使用.copy()隔离关键数据。
综上，虽然Pandas未提供“半视图DataFrame”的API，但借助底层数组共享与列动态添加机制，完全可实现所需语义：原始列构成视图，新增列构成副本——这是一种实用且可控的内存优化模式。
